Existe correlação entre Google trends e o preço do Boi Gordo?

O Google Trends é uma ferramenta online gratuita oferecida pelo Google que fornece informações sobre as tendências de busca na internet. Com o Google Trends, os usuários podem acompanhar e analisar como o volume de pesquisas por palavras-chave específicas que variam ao longo do tempo e em diferentes regiões geográficas.

Ela possui alguns recursos e funcionalidades, por exemplo:

Pesquisa de palavras-chave, Filtragem por localização e período, Comparação de termos, Tendências em tempo real, Previsão de tendências e Gráficos e visualizações.

O Google Trends é usado por diversas pessoas e organizações para várias finalidades, incluindo marketing digital, pesquisa de mercado, análise de tendências de notícias e muito mais. Ele ajuda a compreender o que as pessoas estão buscando na internet, o que pode ser valioso para tomar decisões informadas em diversas áreas.

E o que é Boi gordo? nesse caso, é um ativo econômico (ou seja, uma commodity) negociado na BM&F Bovespa, mais precisamente no Mercado Futuro. O valor desse ativo, para explicar, é fixado com base em alguns critérios específicos. São eles: preço do boi de gênero masculino, criado em pastos, castrado, com idade dezesseis meses (mínima) e quarenta e dois meses (máxima).

Para mais detalhes: https://www.agro20.com.br/boi-gordo/

Sendo assim, o google trends mostraria o interesse do público nessa commoditie? isso que vamos observar!

Primeiro vamos importar nossas bibliotecas

!pip install Pillow from PIL import Image import pandas as pd import matplotlib.pyplot as plt import numpy as ny import seaborn as sns

Run to view results

Esse banco de dado foi extraído do Cepea e do google trends

Os dados do boi gordo foram de 01-2013: https://www.cepea.esalq.usp.br/br/consultas-ao-banco-de-dados-do-site.aspx

E do dados do google trends também de 01-2013: https://trends.google.com.br/trends/ (Termo de pesquisa: Boi Gordo)

Ambos os dados foram juntados pelo Excel para facilitar o manuseio!!

# Importação do banco de dados e criando um data frame no python: bg = pd.read_csv('boigordo - Plan 1.csv',sep=',')

Run to view results

# exibindo as primeiras linhas do DataFrame print(bg.head())

Run to view results

# exibindo a descrição estatística do DataFrame print(bg.describe())

Run to view results

Visualizando os dados

plt.plot(bg['Data'], bg['@boi gordo']) plt.plot(bg['Data'], bg['boi gordo_trends']) # Definindo o título e os rótulos dos eixos plt.title('@ do Boi Gordo e boi gordo google trends') plt.xlabel('Data') plt.ylabel('Preço')

Run to view results

# Criando um gráfico de dispersão com o scatter plot plt.figure(figsize=(8, 6)) plt.scatter(bg['@boi gordo'], bg['boi gordo_trends'], color='blue', marker='o') # Configurações do gráfico plt.xlabel('@boi gordo') plt.ylabel('boi gordo_trends') plt.title('Gráfico de Dispersão entre @boi gordo e boi gordo_trends') # Mostra o gráfico plt.grid(True) plt.show()

Run to view results

Este gráfico de dispersão mostra a relação entre @boi gordo e boi gordo_trends. Cada ponto no gráfico representa uma observação correspondente das duas variáveis. Porém, Lembre-se de que, neste caso, não estamos representando a evolução ao longo do tempo, mas sim a relação entre as duas variáveis em um momento específico.

Agora que temos um gráfico de dispersão, podemos colocar uma regressão linear. Mas antes, uma regressão linear é um método estatístico que busca estabelecer uma relação linear entre uma variável independente (ou explanatória) e uma variável dependente (ou resposta). O objetivo da regressão linear é modelar essa relação para fazer previsões ou entender como a variável dependente é afetada pela variável independente. Em termos simples, a regressão linear tenta encontrar a melhor linha reta que se ajusta aos dados.

A forma geral de uma equação de regressão linear simples é: Y=aX+b

Onde: Y é a variável dependente (ou resposta) que estamos tentando prever. X é a variável independente (ou explanatória) que usamos para fazer a previsão. a é o coeficiente de inclinação da reta (indicando a taxa de mudança em Y à medida que X muda). b é o intercepto (o valor de Y quando X é igual a zero).

O objetivo da regressão linear é encontrar os valores de a e b que melhor ajustam os dados observados. Isso é feito minimizando a soma dos quadrados das diferenças entre os valores previstos pela reta e os valores reais observados.

Existem diferentes tipos de regressão linear, incluindo:

Regressão Linear Simples: Quando há apenas uma variável independente.

Regressão Linear Múltipla: Quando há mais de uma variável independente. A equação da regressão é expandida para incluir múltiplas variáveis independentes.

E nesse caso, será utilizado uma regressão linear simples

# Calculando os coeficientes da regressão linear: coef = ny.polyfit(bg['@boi gordo'], bg['boi gordo_trends'], 1) # Gráfico de dispersão: plt.figure(figsize=(8, 6)) plt.scatter(bg['@boi gordo'], bg['boi gordo_trends'], color='blue', marker='o', label='Pontos de Dados') plt.plot(bg['@boi gordo'], coef[0] * bg['@boi gordo'] + coef[1], color='red', linestyle='-', label='Regressão Linear') # Adicionando a equação da regressão ao gráfico equacao_regressao = f'Equação de Regressão: y = {coef[0]:.2f}x + {coef[1]:.2f}' plt.text(200, 30, equacao_regressao, fontsize=12, color='black') # Configurações do gráfico plt.xlabel('@boi gordo') plt.ylabel('boi gordo_trends') plt.title('Gráfico de Dispersão com Regressão Linear') plt.legend() # Mostra o gráfico plt.grid(True) plt.show()

Run to view results

Podemos também observar a correlação entre o termo de pesquisa e o preço do boi gordo

# Calculando a matriz de correlação e criando um mapa de calor da matriz matriz_correlacao = bg.corr() # Matriz de correlação sns.heatmap(matriz_correlacao, annot=True, cmap='coolwarm', vmin=-1, vmax=1) plt.title('Mapa de Calor da Correlação') plt.show()

Run to view results

Com isso, observamos que o termo de pesquisa Boi gordo nas páginas do google tem uma influência com o seu preço, em torno de 89% sendo considerado uma correlação forte.

Tipos de correlação:

imagem = Image.open("corr.png") imagem.show()

Run to view results

Fonte: https://edtisensei.zendesk.com/hc/pt-br/articles/360033866451-Diagrama-de-Dispers%C3%A3o-Defini%C3%A7%C3%A3o

Sendo assim, ao observar regressão e correlação, os termos de pesquisa "Boi gordo" no Google pode ser uma ótima variável de predição do preço, já que intrinsecamente demonstra um certo interesse do público ao passar dos tempos e que essa frequência acompanhe o preço do Boi gordo ocasionando, talvez uma boa variável.